تستطيع Stable Audio 2.5 إنتاج مقطوعة موسيقية كاملة في أقل من 60 ثانية من أمر نصي واحد. تستعرض هذه المقالة أزمنة التوليد الفعلية، وما يؤثر في السرعة، وكيف يقارن النموذج بالنماذج المنافسة، وكيفية الاستفادة منه على PicassoIA للحصول على نتائج بجودة احترافية وبسرعة.
السؤال الأول الذي يطرحه معظم الناس عن Stable Audio 2.5 ليس عن الجودة، بل عن السرعة. فإنتاج الموسيقى كان دائمًا بطيئًا: جلسات التسجيل تستغرق أيامًا، والمزج يستغرق ساعات، وكل تكرار يستهلك وقتًا إضافيًا. Stable Audio 2.5 يغيّر هذه المعادلة بشكل كبير.
Stable Audio 2.5 نموذج لتوليد الصوت قائم على الانتشار (diffusion) من Stability AI، يحوّل أمرًا نصيًا إلى مقطوعة موسيقية ستيريو بتردد 44.1 كيلوهرتز. وعلى عكس الأدوات السابقة التي كانت تنتج حلقات قصيرة أو مقاطع أحادية القناة، صُمّم هذا النموذج لتوليد تأليفات ستيريو كاملة ذات بنية حقيقية: سلوك المقدمة، وتطوّر المتن، وخاتمة طبيعية، كلها مدمجة في بيانات تدريبه.
تعمل البنية على أساس الانتشار الكامن (latent diffusion). فبدل العمل مباشرة في مجال الصوت بمعدلات عينات عالية، يضغط النموذج الصوت إلى فضاء كامن، ويجري خطوات الانتشار هناك، ثم يفكّ الضغط ليعيد إخراج الصوت ستيريو WAV بجودة كاملة. وهذا الضغط هو ما يجعل السرعة ممكنة.
تشير التقارير إلى أن مجموعة بيانات التدريب تضم أكثر من 800,000 مقطع صوتي مع بياناتها الوصفية، مع تركيز كبير على الموسيقى المرخّصة تجاريًا. وهذا مهم لأن النموذج لا يستوعب النبرة والإيقاع فحسب، بل أيضًا البنية التأليفية على مستوى أعلى. فعندما تطلب منه مقطوعة lo-fi hip hop مدتها 90 ثانية، فإنه لا يولّد 90 ثانية من حلقات عشوائية، بل يبني شيئًا له قوس سردي.
لأغراض قياس السرعة، تعني "المقطوعة الكاملة" من Stable Audio 2.5 مقطعًا صوتيًا ستيريو بين 30 و190 ثانية، أي ما يقارب 3 دقائق و10 ثوانٍ. ويغطي هذا النطاق النسخ الإذاعية، والمحتوى القصير على وسائل التواصل، ومعظم سيناريوهات الترخيص التجاري. أما المخرجات التي تتجاوز 190 ثانية فتحتاج إلى التسلسل (chaining)، أي توليد مقاطع متتالية ثم دمجها لاحقًا.
الرقم الأبرز: على البنية التحتية القياسية لواجهة API، يولّد Stable Audio 2.5 مقطوعة ستيريو مدتها 90 ثانية في نحو 18 إلى 35 ثانية. ويتوقف ذلك على حمل الخادم، وعدد خطوات الانتشار، وتعقيد الأمر النصي. لكن هذا النطاق ثابت في الاستخدام الواقعي.
هذا ليس زمنًا حقيقيًا (real-time). فتوليد مقطوعة مدتها 90 ثانية لا يستغرق 90 ثانية. بل يستغرق جزءًا صغيرًا من ذلك. ويتناسب زمن التوليد تقريبًا مع مدة المخرجات، لكن ليس بشكل خطي، وهذا يمنحه ميزة ملحوظة في المدد الأطول.
إليك كيف يتوزع زمن التوليد حسب مدة المخرجات، استنادًا إلى اختبارات أداء في ظروف تشغيل نموذجية:
| مدة المخرجات | زمن التوليد المعتاد | معامل الزمن الحقيقي |
|---|---|---|
| 30 ثانية | 10 إلى 15 ثانية | ~0.4x |
| 60 ثانية | 16 إلى 26 ثانية | ~0.35x |
| 90 ثانية | 18 إلى 35 ثانية | ~0.28x |
| 120 ثانية | 22 إلى 42 ثانية | ~0.27x |
| 190 ثانية | 30 إلى 55 ثانية | ~0.24x |
يتحسن معامل الزمن الحقيقي فعليًا كلما زادت المدة. فالتكلفة الأولية، التي تشمل تحميل النموذج وترميز الأمر النصي وتحضير الفضاء الكامن، تكلفة ثابتة. والمقطوعات الأطول توزّع هذه التكلفة على محتوى صوتي أكبر. لذلك تكون الأغاني الكاملة أسرع نسبيًا لكل ثانية من الصوت المنتَج.
لا يبلغ كل توليد الطرف الأسرع من هذه النطاقات. وهناك عدة متغيرات ترفع الأزمنة:
تعقيد الأمر النصي: الأمر النصي الذي يطلب "موسيقى تصويرية أوركسترالية سينمائية بآلات نحاسية ووترية وجوقة وبيانو في مقام صغير بسرعة 80 BPM" يحمل ثقلًا تأليفيًا أكبر من "أصوات مطر هادئة". فالعناصر الهارمونية والإيقاعية الإضافية قد تضيف من 5 إلى 10 ثوانٍ إلى زمن التوليد.
عدد خطوات الانتشار: يستخدم التشغيل القياسي جدول خطوات ثابتًا مُحسَّنًا للجودة. فكلما قلّت الخطوات صار التوليد أسرع، لكن الصوت يصبح أقل دقة. ومعظم تطبيقات الإنتاج تستخدم عدد الخطوات الافتراضي، وهو يوازن بين السرعة وجودة المخرجات في اختبارات الأداء المنشورة.
طول قائمة الانتظار على الخادم: على البنية التحتية المشتركة، يُعد زمن الانتظار في قائمة الانتظار أكبر متغير منفرد. فقد يطول انتظار طلب مُرسل في ساعات الذروة أكثر من مدة التشغيل نفسها. ويؤدي الاستخدام خارج أوقات الذروة غالبًا إلى تقليص الزمن الكلي الفعلي إلى النصف.
صيغة المخرجات: مخرجات WAV بتردد 44.1 كيلوهرتز ستيريو أكبر حجمًا في فكّ الترميز ونقلها مقارنة بالصيغ المضغوطة. وقد تضيف بعض التطبيقات بضع ثوانٍ لتحويل الصيغة، لكن ذلك ضئيل عمليًا.
السرعة من دون جودة لا معنى لها. وما يجعل هذه الأرقام ذات دلالة أن المخرجات جاهزة فعلًا للإنتاج: ستيريو WAV بتردد 44.1 كيلوهرتز، وهو المعيار نفسه المستخدم في منصات البث التجارية وأقراص CD الرئيسية.
تُخرج معظم أدوات الموسيقى بالذكاء الاصطناعي السابقة بمعدلات عينات أقل: 16 كيلوهرتز للنماذج المركّزة على الصوت البشري، و22 كيلوهرتز لنماذج توليد الموسيقى الأقدم. وعند هذه المعدلات يبدو الصوت مقبولًا عبر مكبرات الهاتف، لكنه ينهار تحت المراقبة الاحترافية.
يُخرج Stable Audio 2.5 الصوت بجودة الأقراص المدمجة الكاملة. يمكنك استيراد ملف WAV مباشرة إلى أي برنامج DAW، وإضافة المعالجة، ثم التصدير دون أن تُضعف عيوبُ رفع معدل العينات النتيجة. وهذا ليس تفصيلًا تقنيًا ثانويًا في سير العمل الاحترافي.
يُخرج النموذج ستيريو حقيقيًا، لا محتوى أحادي منسوخًا على قناتين. ويُظهر المجال الستيريو اتساعًا مكانيًا فعليًا: آلات مختلفة موزّعة عبر المشهد الصوتي، ومعلومات محيطية تمتد إلى الأطراف، وعناصر مركزية مثل الطبلة الكبيرة والباس موجودة في مكانها الصحيح في المزج.
بالنسبة إلى صنّاع المحتوى ومنتجي الفيديو، يعني ذلك أن الصوت يتكامل بسلاسة مع إعدادات الصوت المكاني والاستماع الثنائي (binaural). أما الموسيقيون الذين يستخدمونه نقطة انطلاق، فيعني ذلك أن المخرجات تتصرف كتسجيلات ستيريو حقيقية لا كستيريو مصطنع من مونو موسّع.
السرعة لا تكتسب معناها إلا في سياقها. فإليك كيف يقارن Stable Audio 2.5 بنماذج توليد الموسيقى الأخرى المتاحة على PicassoIA.
يعطي Google Lyria 3 وGoogle Lyria 3 Pro الأولوية للموسيقى والتماسك البنيوي في التأليفات الأطول. وتتراوح أزمنة التوليد لنموذج Lyria 3 Pro عند 90 ثانية عادةً بين 35 و60 ثانية، أي أبطأ بنحو 1.5 إلى 2 مرة من Stable Audio 2.5 عند المدة نفسها. والمفاضلة حقيقية: مخرجات Lyria غالبًا ما تُظهر تطورًا موسيقيًا أقوى وتعقيدًا هارمونيًا أكبر، خصوصًا في الأنواع الكلاسيكية والجاز.
بالنسبة إلى سير العمل الحساس للسرعة، مثل محتوى وسائل التواصل الاجتماعي والتكرار السريع وإعداد نماذج أولية للموسيقى الخلفية، يتفوق Stable Audio 2.5 في الإنتاجية. أما للمقطوعة الرئيسية في فيلم علامة تجارية، فقد ينتج Lyria 3 Pro نتيجة أكثر تأثيرًا عاطفيًا تستحق الانتظار الإضافي.
صُمّم MiniMax Music 2.6 وMiniMax Music 2.5 للموسيقى الغنائية التي تحتوي على كلمات. يقبلان نص الكلمات كمدخل وينتجان أغاني كاملة بصوت منشد، لا مقطوعات آلية فقط. ويستغرق التوليد لمدة 90 ثانية عادةً من 25 إلى 45 ثانية.
تتباعد حالات الاستخدام بوضوح. فـ Stable Audio 2.5 هو الأداة المناسبة للمقطوعات الآلية والخلفيات وتصميم الصوت. أما MiniMax فهو للحالات التي تحتاج فيها إلى صوت يغني كلمات فعلية. ولا يحل أيّ منهما محل الآخر بالكامل.
💡 نصيحة: للحصول على مسار غنائي ونسخة آلية معًا، ولّد النسخة الآلية أولًا في Stable Audio 2.5، ثم استخدم MiniMax لإضافة نسخة غنائية فوقها بأمر نصي مشابه. وغالبًا ما تكون المخرجات متوافقة بما يكفي لاستخدامها كلٍّ على حدة عبر نقاط اتصال مختلفة مع الجمهور.
يولّد ElevenLabs Music موسيقى غنائية وآلية معًا، مع تركيز على التأثير العاطفي وقيمة الإنتاج العالية. وتقع أزمنة توليده في نطاق مماثل لنموذج Stable Audio 2.5. ويؤدي ElevenLabs Music أداءً قويًا في السياقات السينمائية والعاطفية، بينما يتسم Stable Audio 2.5 بثبات أكبر في أعمال lo-fi والإلكترونية والمحيطية والموسيقى الآلية الخاصة بالأنواع.
Stable Audio 2.5 متاح مباشرة على PicassoIA من دون أي إعداد لواجهة API أو إنشاء حساب. ويمر سير العمل من الأمر النصي حتى التنزيل عبر ثلاث خطوات.
الأمر النصي هو سطح التحكم الأساسي لديك. يستجيب Stable Audio 2.5 بقوة لما يلي:
الأوامر النصية الغامضة تنتج نتائج متقنة تقنيًا لكنها عامة. أما الأوامر المحددة فتنتج مقطوعات موجهة تناسب الموجز الإبداعي بدقة.
تعرض واجهة PicassoIA شريط المدة مباشرة. أما لمحتوى وسائل التواصل الاجتماعي، فتكفي عادةً مدة من 30 إلى 60 ثانية. ولموسيقى الخلفية على YouTube أو مقدمات البودكاست، تمنحك مدة من 60 إلى 120 ثانية مرونة أكبر للتكرار أو القص عند نقاط المونتاج.
يمكنك تشغيل عدة أوامر نصية بالتتابع، مع تنزيل كل نتيجة قبل البدء بالتالية. وتُعالَج قائمة الانتظار بسرعة كافية تتيح لك تجربة خمس أو ست نسخ مختلفة في أقل من خمس دقائق.
يُنزَّل المخرج كملف WAV ستيريو بتردد 44.1 كيلوهرتز. ومن هناك يمكنك:
أسرع طريق إلى مقطوعة قابلة للاستخدام هو أمر نصي جيد الصياغة. فالأوامر النصية الضعيفة تتطلب إعادة توليد متعددة، وهذا يلغي ميزة السرعة تمامًا.
تنتج هذه البنى باستمرار مخرجات نظيفة وقابلة للاستخدام في توليد واحد:
القالب 1: النوع + المزاج + الآلات + BPM
"upbeat lo-fi hip hop, 85 BPM, vinyl crackle, muted piano, boom bap drums, mellow"
القالب 2: السياق + حالة الاستخدام
"background music for a cooking tutorial, warm and friendly, acoustic guitar, light percussion, 110 BPM"
القالب 3: أسلوب مرجعي
"in the style of late 1970s Japanese city pop, smooth bass line, funk guitar, dreamy synths, 105 BPM"
💡 نصيحة: أضف "no vocals" صراحةً إذا كنت تريد مخرجات آلية خالصة. ومع أن Stable Audio 2.5 يعتمد الإخراج الآلي افتراضيًا في معظم الحالات، فقد تُنتج بعض الأوامر ذات المراجع الشعبية الكبيرة أحيانًا ملمس صوت غنائي مبهم في المخرج.
زمن التوليد ثابت تقريبًا عبر الأنواع، لكن بعضها يُنتج نتائج قابلة للاستخدام بمحاولات أقل، فيكون أسرع عمليًا:
تحتاج الأنواع المعقدة، مثل الجاز ذي تغييرات الأوتار الموسّعة، أو الميتال التقدمي، أو موسيقى العالم متعددة الإيقاعات، عادةً إلى مزيد من تحسين الأمر النصي قبل الوصول إلى الدقة البنيوية التي تريدها.
بعد أن تحصل على مقطوعة، تظهر في بعض سير العمل حاجة إلى تمثيل نصي لما تحتويه. وهنا تصبح أدوات تحويل الكلام إلى نص في PicassoIA ذات صلة، خصوصًا للمقطوعات التي تتضمن عناصر غنائية من نماذج مصممة للمخرجات الغنائية.
إذا ولّدت مسارًا غنائيًا باستخدام MiniMax Music 2.6 أو MiniMax Music 1.5 وأردت نسخة نصية من الكلمات للعرض أو الترخيص أو البيانات الوصفية للمحتوى، فإن GPT-4o Transcribe ينتج نتائج دقيقة حتى مع الأصوات المُركّبة.
للحصول على استجابة أسرع في مهام التفريغ الأبسط، يؤدي GPT-4o Mini Transcribe المهمة نفسها بزمن استجابة أقل. أما للصوت المعقد الذي يضم أصواتًا متعددة أو إنتاجًا كثيفًا أو محتوى غير إنجليزي، فيقدم Gemini 3 Pro معالجة متعددة اللغات أقوى ومتانة أعلى أمام الضوضاء.
يضيف التفريغ قيمة حقيقية في هذه السيناريوهات المحددة:
قصة السرعة الحقيقية في Stable Audio 2.5 ليست زمن التوليد وحده بمعزل عن غيره. بل الزمن الكامل من الفكرة حتى مخرج قابل للاستخدام. لنأخذ سيناريو إنتاج نموذجيًا:
| الخطوة | الوقت المطلوب |
|---|---|
| كتابة أمر نصي مفصّل | من 2 إلى 3 دقائق |
| الإرسال إلى Stable Audio 2.5 | 0 ثانية |
| انتظار التوليد (مقطوعة مدتها 90 ثانية) | من 18 إلى 35 ثانية |
| الاستماع والتقييم | 90 ثانية |
| التنزيل والاستيراد إلى DAW | دقيقة واحدة |
| الإجمالي | ~5 إلى 6 دقائق |
هذه دورة إنتاج كاملة لمقطوعة ستيريو مدتها 90 ثانية في أقل من 6 دقائق. وللمقارنة، فإن التعاقد مع ملحن لمقطوعة مدتها 90 ثانية يشمل موجزًا واقتراحًا وعقدًا ومسودة وتعديلات وتسليمًا نهائيًا. وتستغرق هذه العملية أيامًا كحد أدنى.
لا يحل هذا محل الملحنين في المشاريع التي تهم فيها العلاقة الإبداعية والحرفية المصممة خصيصًا. لكن بالنسبة إلى الحجم الهائل من موسيقى الخلفية وأسرة المحتوى والصوت الوظيفي الذي يحتاجه صنّاع المحتوى والمسوّقون والمطورون باستمرار، يصعب الجدال في الأرقام.
Stable Audio 2.5 متاح على PicassoIA من دون أي إعداد للحساب أو لواجهة API. افتح صفحة النموذج، واكتب أمرك النصي، واضبط المدة، ثم اضغط على توليد. ستكون مقطوعتك الأولى جاهزة في أقل من دقيقة بكثير.
إذا أردت مقارنات مباشرة، فشغّل الأمر النصي نفسه عبر Lyria 3 وMiniMax Music 2.6 وElevenLabs Music بالتتابع. ستتضح فروق السرعة والأسلوب والطابع فورًا عندما تستمع إلى الأربعة جنبًا إلى جنب.
تستضيف PicassoIA كل هذه النماذج في مكان واحد، فلن تضطر إلى التنقل بين حسابات متعددة على منصات مختلفة. ولإضافة غناء فوق المقطوعة الآلية، يقبل MiniMax Music 2.5 كلماتك الخاصة كمدخل إضافي. وللحصول على نموذج أقدم قليلًا لكنه ما زال قادرًا، يستحق Lyria 2 التجربة في المقطوعات ذات سرعة BPM أعلى. ولكتالوج من الأغاني القائمة على الكلمات، يقدّم MiniMax Music 01 نهجًا مختلفًا في التوليد يستحق التجربة.
الكتالوج الكامل للنماذج موجود على picassoia.com/en/all-models.
اختر لغتك
